Apprentissage automatique pour l'optimisation des prises de décision dans les systèmes nomades à récupération d'énergie

par Sota Sawaguchi

Projet de thèse en Genie electrique

Sous la direction de Suzanne Lesecq et de Édith Beigné.

Thèses en préparation à Grenoble Alpes , dans le cadre de École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble) , en partenariat avec CEA/LETI (laboratoire) depuis le 02-10-2018 .


  • Résumé

    L'objectif de cette thèse vise à proposer une solution d'apprentissage automatique intégrée sur puce qui réponde aux contraintes énergétiques des systèmes nomades. L'objectif est que le système apprenne à adapter correctement son fonctionnement en fonction de son environnement, par exemple en apprenant quand et comment lancer les tâches de manière optimale. L'Internet des Objets est une nouvelle étape dans l'évolution des ordinateurs. De nombreux systèmes, distribués en réseaux, oeuvrent conjointement à l'exécution d'une application. Grâce à une activité intermittente comme pour la surveillance régulière de paramètres physiques, ces systèmes ont une consommation énergétique très faible. Afin d'éviter la maintenance des batteries ou encore l'impact écologique de leur utilisation, ils peuvent être alimentés par des récupérateurs d'énergie (e.g. cellules photovoltaïques, thermogénérateurs, récupérateurs d'énergie mécanique). Leur durée de vie est alors théoriquement illimitée. Dans ce contexte à puissance limitée, c'est la consommation moyenne qui conditionne le bon fonctionnement de l'application. A cause de phénomènes arbitraires dus à leur nomadisme (variations de l'environnement énergétique, de la température, de la qualité du canal de communication), les tâches exécutées peuvent consommer un surplus d'énergie, voire échouer. Etant donné la complexité de la modélisation de l'environnement de ces systèmes, l'apprentissage automatique pourrait être une solution mieux adaptée pour optimiser la prise de décision de l'exécution des tâches. Ce travail de thèse vise à proposer une solution d'apprentissage automatique intégrée sur puce qui réponde aux contraintes énergétiques des systèmes nomades. L'objectif est que le système apprenne à adapter correctement son fonctionnement en fonction de son environnement, par exemple en apprenant quand et comment lancer les tâches de manière optimale. Les thèmes de recherche abordés par ces travaux sont principalement l'apprentissage automatique, la gestion d'énergie et l'ordonnancement des tâches dans un système de l'Internet des Objets, ainsi que l'implémentation matérielle à faible consommation énergétique.

  • Titre traduit

    Machine learning for the optimization of decision making in nomadic energy harvesting systems


  • Résumé

    This PhD work aims at proposing a machine learning solution which would be integrated on a silicon chip and which would satisfy nomad systems energy constraints. The main goal is that the system manages to learn how to efficiently adapt its behavior according to its environment, for example by learning when and how to optimally launch tasks. The internet of things is a new step in the evolution of computer systems. Many systems, distributed across networks, act together for the execution of an application. Thanks to sporadic activity, they demonstrate very little power consumption. To avoid battery replacement and the associated ecological impact, they can be powered by energy harvesters (e.g. PV cells, thermogenerators, mechanical energy harvester). Their lifetime is thus theoretically unlimited. In this context where power is limited, it is the mean power consumption which drives the correct behavior of the application. Because of arbitrary phenomena caused by their nomadism (energetic environment, temperature or wireless communication canal quality variations), executed tasks may consume extra energy or even fail. Due to the complex work that would represent modeling their environment, machine learning seems to be a more appropriate solution to make efficient decision on tasks execution. This PhD work aims at developing a machine learning solution which would be integrated on a silicon chip and which would satisfy nomad systems energy constraints. The main goal is that the system manages to learn how to efficiently adapt its behavior according to its environment, for example by learning when and how to optimally launch tasks. After exploring existing machine learning techniques through applicative simulations, the student will choose or develop an appropriate solution and will propose a way to implement it in a real system. A circuit may then be fabricated and the student will then get the opportunity to demonstrate the relevance of his proposal in a real environment.